首页 > 代码库 > 机器学习实战笔记(Python实现)-03-朴素贝叶斯

机器学习实战笔记(Python实现)-03-朴素贝叶斯

---------------------------------------------------------------------------------------

本系列文章为《机器学习实战》学习笔记,内容整理自书本,网络以及自己的理解,如有错误欢迎指正。

源码在Python3.5上测试均通过,代码及数据 --> https://github.com/Wellat/MLaction

---------------------------------------------------------------------------------------

1、算法概述

1.1 朴素贝叶斯

朴素贝叶斯是使用概率论来分类的算法。其中朴素各特征条件独立贝叶斯根据贝叶斯定理。

根据贝叶斯定理,对一个分类问题,给定样本特征x,样本属于类别y的概率是:

技术分享 -------(1)

在这里,x 是一个特征向量,设 x 维度为 M。因为朴素的假设,即特征条件独立,根据全概率公式展开,上式可以表达为:

技术分享

这里,只要分别估计出,特征 Χi 在每一类的条件概率就可以了。类别 y 的先验概率可以通过训练集算出,同样通过训练集上的统计,可以得出对应每一类上的,条件独立的特征对应的条件概率向量。 

1.2 算法特点

优点:在数据较少的情况下仍然有效,可以处理多类别问题。

缺点:对于输入数据的准备方式较为敏感。

适用数据类型:标称型数据。

 

2、使用Python进行文本分类

要从文本中获取特征,需要先拆分文本。可以把词条想象为单词,也可以使用非单词词条,如URL、IP地址或者任意其他字符串。然后将每一个文本片段表示为一个词条向量,其中值为1表示词条出现在文档中,0表示词条未出现。

2.1 准备数据:从文本中构建词向量

 1 from numpy import * 2  3 def loadDataSet(): 4     ‘‘‘ 5     postingList: 进行词条切分后的文档集合 6     classVec:类别标签     7     ‘‘‘ 8     postingList=[[my, dog, has, flea, problems, help, please], 9                  [maybe, not, take, him, to, dog, park, stupid],10                  [my, dalmation, is, so, cute, I, love, him],11                  [stop, posting, stupid, worthless, garbage],12                  [mr, licks, ate, my, steak, how, to, stop, him],13                  [quit, buying, worthless, dog, food, stupid]]14     classVec = [0,1,0,1,0,1]    #1代表侮辱性文字,0代表正常言论15     return postingList,classVec16 17 def createVocabList(dataSet):18     vocabSet = set([])#使用set创建不重复词表库19     for document in dataSet:20         vocabSet = vocabSet | set(document) #创建两个集合的并集21     return list(vocabSet)22 23 def setOfWords2Vec(vocabList, inputSet):24     returnVec = [0]*len(vocabList)#创建一个所包含元素都为0的向量25     #遍历文档中的所有单词,如果出现了词汇表中的单词,则将输出的文档向量中的对应值设为126     for word in inputSet:27         if word in vocabList:28             returnVec[vocabList.index(word)] = 129         else: print("the word: %s is not in my Vocabulary!" % word)30     return returnVec31 ‘‘‘32 我们将每个词的出现与否作为一个特征,这可以被描述为词集模型(set-of-words model)。33 如果一个词在文档中出现不止一次,这可能意味着包含该词是否出现在文档中所不能表达的某种信息,34 这种方法被称为词袋模型(bag-of-words model)。35 在词袋中,每个单词可以出现多次,而在词集中,每个词只能出现一次。36 为适应词袋模型,需要对函数setOfWords2Vec稍加修改,修改后的函数称为bagOfWords2VecMN37 ‘‘‘38 def bagOfWords2VecMN(vocabList, inputSet):39     returnVec = [0]*len(vocabList)40     for word in inputSet:41         if word in vocabList:42             returnVec[vocabList.index(word)] += 143     return returnVec

2.2 训练算法:从词向量计算概率

计算每个类别的条件概率,伪代码:

技术分享

 1 def trainNB0(trainMatrix,trainCategory): 2     ‘‘‘ 3     朴素贝叶斯分类器训练函数(此处仅处理两类分类问题) 4     trainMatrix:文档矩阵 5     trainCategory:每篇文档类别标签 6     ‘‘‘ 7     numTrainDocs = len(trainMatrix) 8     numWords = len(trainMatrix[0]) 9     pAbusive = sum(trainCategory)/float(numTrainDocs)10     #初始化所有词出现数为1,并将分母初始化为2,避免某一个概率值为011     p0Num = ones(numWords); p1Num = ones(numWords)#12     p0Denom = 2.0; p1Denom = 2.0 #13     for i in range(numTrainDocs):14         if trainCategory[i] == 1:15             p1Num += trainMatrix[i]16             p1Denom += sum(trainMatrix[i])17         else:18             p0Num += trainMatrix[i]19             p0Denom += sum(trainMatrix[i])20     #将结果取自然对数,避免下溢出,即太多很小的数相乘造成的影响21     p1Vect = log(p1Num/p1Denom)#change to log()22     p0Vect = log(p0Num/p0Denom)#change to log()23     return p0Vect,p1Vect,pAbusive

2.3 测试算法

分类函数:

 1 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): 2     ‘‘‘ 3     分类函数 4     vec2Classify:要分类的向量 5     p0Vec, p1Vec, pClass1:分别对应trainNB0计算得到的3个概率 6     ‘‘‘ 7     p1 = sum(vec2Classify * p1Vec) + log(pClass1) 8     p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) 9     if p1 > p0:10         return 111     else: 12         return 0

测试:

 1 def testingNB(): 2     listOPosts,listClasses = loadDataSet() 3     myVocabList = createVocabList(listOPosts) 4     trainMat=[] 5     for postinDoc in listOPosts: 6         trainMat.append(setOfWords2Vec(myVocabList, postinDoc)) 7     #训练模型,注意此处使用array 8     p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses)) 9     testEntry = [love, my, dalmation]10     thisDoc = array(setOfWords2Vec(myVocabList, testEntry))11     print(testEntry,classified as: ,classifyNB(thisDoc,p0V,p1V,pAb))12     testEntry = [stupid, garbage]13     thisDoc = array(setOfWords2Vec(myVocabList, testEntry))14     print(testEntry,classified as: ,classifyNB(thisDoc,p0V,p1V,pAb))

3、实例:使用朴素贝叶斯过滤垃圾邮件

一般流程:

技术分享

3.1 切分文本

将长字符串切分成词表,包括将大写字符转换成小写,并过滤字符长度小于3的字符。

1 def textParse(bigString):#2     ‘‘‘3     文本切分4     输入文本字符串,输出词表5     ‘‘‘6     import re7     listOfTokens = re.split(r\W*, bigString)8     return [tok.lower() for tok in listOfTokens if len(tok) > 2] 9     

3.2 使用朴素贝叶斯进行垃圾邮件分类

 1 def spamTest(): 2     ‘‘‘ 3     垃圾邮件测试函数 4     ‘‘‘ 5     docList=[]; classList = []; fullText =[] 6     for i in range(1,26): 7         #读取垃圾邮件 8         wordList = textParse(open(email/spam/%d.txt % i,r,encoding= utf-8).read()) 9         docList.append(wordList)10         fullText.extend(wordList)11         #设置垃圾邮件类标签为112         classList.append(1)        13         wordList = textParse(open(email/ham/%d.txt % i,r,encoding= utf-8).read())14         docList.append(wordList)15         fullText.extend(wordList)16         classList.append(0)17     vocabList = createVocabList(docList)#生成次表库18     trainingSet = list(range(50))19     testSet=[]           #20     #随机选10组做测试集21     for i in range(10):22         randIndex = int(random.uniform(0,len(trainingSet)))23         testSet.append(trainingSet[randIndex])24         del(trainingSet[randIndex])  25     trainMat=[]; trainClasses = []26     for docIndex in trainingSet:#生成训练矩阵及标签27         trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))28         trainClasses.append(classList[docIndex])29     p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))30     errorCount = 031     #测试并计算错误率32     for docIndex in testSet:33         wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])34         if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:35             errorCount += 136             print("classification error",docList[docIndex])37     print(the error rate is: ,float(errorCount)/len(testSet))38     #return vocabList,fullText

4、实例:使用朴素贝叶斯分类器从个人广告中获取区域倾向

一般流程:

技术分享

在这个中,我们将分别从美国的两个城市中选取一些人,通过分析这些人发布的征婚广告信息,来比较这两个城市的人们在广告用词上是否不同 。

4.1 实现代码

 1 ‘‘‘ 2 函数localWords()与程序清单中的spamTest()函数几乎相同,区别在于这里访问的是 3 RSS源而不是文件。然后调用函数calcMostFreq()来获得排序最高的30个单词并随后将它们移除 4 ‘‘‘ 5 def localWords(feed1,feed0): 6     import feedparser 7     docList=[]; classList = []; fullText =[] 8     minLen = min(len(feed1[entries]),len(feed0[entries])) 9     for i in range(minLen):10         wordList = textParse(feed1[entries][i][summary])11         docList.append(wordList)12         fullText.extend(wordList)13         classList.append(1) #NY is class 114         wordList = textParse(feed0[entries][i][summary])15         docList.append(wordList)16         fullText.extend(wordList)17         classList.append(0)18     vocabList = createVocabList(docList)#create vocabulary19     top30Words = calcMostFreq(vocabList,fullText)   #remove top 30 words20     for pairW in top30Words:21         if pairW[0] in vocabList: vocabList.remove(pairW[0])22     trainingSet = list(range(2*minLen)); testSet=[]           #create test set23     for i in range(10):24         randIndex = int(random.uniform(0,len(trainingSet)))25         testSet.append(trainingSet[randIndex])26         del(trainingSet[randIndex])  27     trainMat=[]; trainClasses = []28     for docIndex in trainingSet:#train the classifier (get probs) trainNB029         trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))30         trainClasses.append(classList[docIndex])31     p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))32     errorCount = 033     for docIndex in testSet:        #classify the remaining items34         wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])35         if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:36             errorCount += 137     print(the error rate is: ,float(errorCount)/len(testSet))38     return vocabList,p0V,p1V39 40 def calcMostFreq(vocabList,fullText):41     ‘‘‘42     返回前30个高频词43     ‘‘‘44     import operator45     freqDict = {}46     for token in vocabList:47         freqDict[token]=fullText.count(token)48     sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True) 49     return sortedFreq[:30]50 51 if __name__== "__main__":  52     #导入RSS数据源53     import operator54     ny=feedparser.parse(http://newyork.craigslist.org/stp/index.rss)55     sf=feedparser.parse(http://sfbay.craigslist.org/stp/index.rss)56     localWords(ny,sf)

 

机器学习实战笔记(Python实现)-03-朴素贝叶斯